1 系統介紹
1.1 系統需求
新聞檢索系統：定向采集不少於 4 個中文社會新聞網站或頻道，實現這些網站新聞信息及評論信息的自動爬取、抽取、索引和檢索。本項目未使用 lucene，Goose 等成熟開源框架。
1.2 系統思路與框架
本系統總體的實現思路如圖 1 所示：
壹個完整的搜索系統主要的步驟是：
對新聞網頁進行爬蟲得到語料庫
抽取新聞的主體內容，得到結構化的 xml 數據
內存式單遍掃描索引構建方法構建倒排索引，供檢索模塊使用
用戶輸入查詢，得到相關文檔返回給用戶
2 設計方案
2.1 新聞爬取
2.1.1 算法簡述
該模塊針對搜狐，網易，騰訊三大主流新聞網站及官方的參考消息網站進行了新聞獲取。並基於其網站結構，設計了不同的爬取模式。由於網站架構兩兩相似，以下選取兩種類型的典型代表進行介紹：
（1）搜狐新聞
搜狐新聞除正常主頁外，存在隱藏的列表式新聞頁 ， 如 /1/0903/62/subject212846206.shtml 。
（2）網易新聞
可以將網易新聞及騰訊新聞歸結為壹般類型的新聞主頁，我們采用了自新聞主頁開始的廣度優先的遞歸爬取策略。註意到新聞的正文頁往往是靜態網頁.html，因此，我們將網頁中出現的所有以.html 結尾的網頁的 URL 均記錄下來，在爬取到壹定量時，進行壹次去重。
對於壹些不是新聞的錯分網頁，容錯處理即通過檢查新聞正文標簽
時會被剔除。
新聞正文頁中我們重點關註內容，時間，評論獲取。
2.1.2 創新點
實現了對新聞網頁動態加載的評論進行爬取，如搜狐新聞評論爬取
未借助開源新聞爬取工具，自己實現了對新聞標題，正文，時間，評論內容，評論數目的高效爬取
2.2 索引構建
分詞，我們借助開源的 jieba 中文分詞組件來完成，jieba 分詞能夠將壹個中文句子切成壹個個詞項，這樣就可以統計 tf, df 了
去停用詞，去停詞的步驟在 jieba 分詞之後完成
倒排記錄表存儲，詞典用 B-樹或 hash 存儲，倒排記錄表用鄰接鏈表存儲方式，這樣能大大減少存儲空間
倒排索引構建算法使用內存式單遍掃描索引構建方法（SPIMI），就是依次對每篇新聞進行分詞，如果出現新的詞項則插入到詞典中，否則將該文檔的信息追加到詞項對應的倒排記錄表中。
2.3 檢索模塊
2.3.1 檢索模式
（1）關鍵詞檢索
查詢即根據用戶輸入的關鍵字，返回其相應的新聞。首先根據用戶的查詢進行 jieba 分詞，記錄分詞後詞項的數量以字典形式進行存儲。
完整的源碼和詳細的文檔，上傳到了 WRITE-BUG技術***享平臺 上，需要的請自取：
/article/3122.html